[논문 리뷰] Power Generalized DUS Transformation of Exponential Distribution

Beenu Thomas, Manoj Chacko|arXiv (Cornell University)|2021. 11. 17.

Statistical Distribution Estimation and Applications참고 문헌 8인용 수 5

한 줄 요약

이 논문은 수명 분포를 위한 DUS 변환의 일반화를 위해 파wr 일반화된 DUS(PGDUS) 변환을 도입하며, 지수 분포를 기준으로 사용하여 새로운 유연한 분포인 PGDUSE를 제안한다. 이 방법은 DUS 변환의 거듭제곱을 통해 모델링의 유연성을 향상시키며, 실제 데이터 분석 결과 PGDUSE 모형이 경쟁 모형들보다 우수한 적합도를 보이며, AIC, BIC 및 KS 통계량이 가장 낮고 p-값이 가장 높다는 것이 확인되었다.

ABSTRACT

DUS transformation of lifetime distributions received attention by engineers and researchers in recent years. The present study introduces a new class of distribution using exponentiation of DUS transformation. A new distribution using the Exponential distribution as the baseline distribution in this transformation is proposed. The statistical properties of the proposed distribution have been examined and the parameter estimation is done using the method of maximum likelihood. The fitness of the proposed model is established using real data analysis.

연구 동기 및 목표

• DUS 변환의 거듭제곱을 통해 더 유연한 수명 분포의 클래스를 개발하기 위해.
• 실제 실패 데이터의 모델링을 향상시키기 위해 기준 분포로 지수 분포를 사용하여 새로운 분포인 PGDUSE를 제안하기 위해.
• 신규 분포에 대한 주요 통계적 성질인 모멘트, 모멘트 생성 함수, 엔트로피 및 순서 통계량을 유도하기 위해.
• 최대우도추정법(MLE)을 적용하여 파라미터를 추정하고 실제 데이터에서 모형의 성능을 검증하기 위해.
• 신뢰성 및 생존 분석에서 기존의 DUSE, GDUSE, ED 및 KME와 같은 분포보다 PGDUSE 모형이 더 우수한 적합도를 제공함을 보여주기 위해.

제안 방법

• PGDUS 변환은 누적분포함수를 통해 정의된다: $ G(x) = \left( \frac{e^{F(x)} - 1}{e - 1} \right)^\theta $, 여기서 $ F(x) $는 기준 누적분포함수이고 $ \theta > 0 $이다.
• 기준 분포는 파라미터 $ \lambda $를 가진 지수 분포이며, 이에 따라 PGDUSE의 누적분포함수는 $ G(x) = \left( \frac{e^{1 - e^{-\lambda x}} - 1}{e - 1} \right)^\theta $가 된다.
• 해당 확률밀도함수(PDF)는 다음과 같이 유도된다: $ g(x) = \frac{\theta \lambda}{(e - 1)^\theta} e^{1 - \lambda x - e^{-\lambda x}} (e^{1 - e^{-\lambda x}} - 1)^{\theta - 1} $.
• 모멘트, 모멘트 생성 함수, 특성 함수, 원순열 생성 함수, 분위수 함수 및 엔트로피와 같은 통계적 성질이 해석적으로 유도되었다.
• 파라미터 $ \lambda $ 및 $ \theta $를 추정하기 위해 최대우도추정법(MLE)이 적용되었으며, 로그우도식이 유도되고 수치적으로 해석되었다.
• 실제 데이터셋인 볼 베어링 수명 데이터를 대상으로 AIC, BIC, 콜모고로프-스미르노프(KS) 검정, p-값 및 로그우도를 활용하여 모형 비교가 수행되었다.

실험 결과

연구 질문

• RQ1 PGDUS 변환은 원래의 DUS 변환에 비해 수명 데이터 모델링에 더 큰 유연성을 제공할 수 있는가?
• RQ2 PGDUSE 분포의 통계적 성질(모멘트, 엔트로피, MGF)은 다양한 파라미터 값에서 어떻게 행동하는가?
• RQ3 PGDUSE 모형은 DUSE, GDUSE, ED 및 KME와 같은 기존 분포보다 실제 실패 시간 데이터에 더 우수한 적합도를 제공하는가?
• RQ4 MLE 방법은 PGDUSE 분포의 파라미터 $ \lambda $ 및 $ \theta $ 추정에 있어 어떤 성능을 보이는가?
• RQ5 PGDUSE 모형은 실제 신뢰성 데이터에서 관찰되는 복잡한 고장률 패턴을 효과적으로 포착할 수 있는가?

주요 결과

• PGDUSE 분포는 모든 경쟁 모형 중에서 가장 낮은 AIC(230.006)와 BIC(232.277) 값을 기록하여 더 나은 모형 적합도를 나타낸다.
• PGDUSE 모형은 가장 낮은 콜모고로프-스미르노프(KS) 통계량(0.11025)과 가장 높은 p-값(0.9425)을 기록하여 적합도의 우수성을 확인한다.
• PGDUSE의 로그우도 값(-113.003)은 모든 모형 중에서 가장 높아, 그 우수한 적합도를 추가로 뒷받침한다.
• PGDUSE의 추정된 파라미터는 수치적 MLE를 통해 $ \hat{\lambda} = 0.03362141 $ 및 $ \hat{\theta} = 3.80657627 $로 도출되었다.
• 고장률도(그림 2)는 PGDUSE 분포가 단일 최고점 고장률 패턴을 모델링할 수 있음을 보여주며, 이는 신뢰성 공학 분야에서의 적용 가능성을 높인다.
• 실제 누적분포함수도(그림 3)는 PGDUSE 모형이 라울러스 볼 베어링 데이터의 경험적 분포를 효과적으로 따르고 있음을 확인한다.